使用 sparkxml 从 xml 中提取标签属性

Question

我正在使用 com.databricks.spark.xml 加载一个 xml 文件，我想使用 sql 上下文读取标签属性。

XML :

<Receipt>
<Sale>
<DepartmentID>PR</DepartmentID>
<Tax TaxExempt="false" TaxRate="10.25"/>
</Sale>
</Receipt>

加载文件，

val df = sqlContext.read.format("com.databricks.spark.xml").option("rowTag","Receipt").load("/home/user/sale.xml");
df.registerTempTable("SPtable");

正在打印架构：

root
 |-- Sale: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- DepartmentID: long (nullable = true)
 |    |    |-- Tax: string (nullable = true)

现在我想从 Tax.I 中提取标签属性 TaxExempt 尝试了以下代码，但它给我错误。

val tax =sqlContext.sql("select Sale.Tax.TaxExempt from SPtable");

错误：

org.apache.spark.sql.AnalysisException: cannot resolve 'Sale.Tax[TaxExempt]' due to data type mismatch: argument 2 requires integral type, however, 'TaxExempt' is of string type.; line 1 pos 7

非常感谢任何帮助。

Answer 1

数据框的第一个打印模式，在我的例子中，它是用 spark xml 版本 0.3.3

打印如下

|-- Sale: struct (nullable = true)
|    |-- DepartmentID: string (nullable = true)
|    |-- Tax: struct (nullable = true)
|    |    |-- #VALUE: string (nullable = true)
|    |    |-- @TaxExempt: boolean (nullable = true)
|    |    |-- @TaxRate: double (nullable = true)

然后使用下面的查询 select xml 属性，在注册 temptable

之后

sqlContext.sql("select Sale.Tax['@TaxRate'] as TaxRate from temptable").show();

下面是结果

|税率|

+-----+

|10.25|

从0.4.1开始，我认为属性默认以下划线(_)开头，在这种情况下查询属性时只需使用_而不是@。

使用 sparkxml 从 xml 中提取标签属性

Extracting tag attributes from xml using sparkxml

xml

xml-parsing

apache-spark

apache-spark-sql

spark-dataframe